---
title: Young-R1M-7B
canonical_url: "https://www.modelscope.cn/models/jzy112/Young-R1M-7B"
md_url: "https://www.modelscope.cn/models/jzy112/Young-R1M-7B.md"
repository: jzy112/Young-R1M-7B
chinese_name: "Young-R1M-7B医疗金融混合模型"
last_updated: 2025-08-05
pipeline_tag: text-generation
tasks:
  - text-generation
model_type:
  - qwen2_5_vl
architectures:
  - Qwen2_5_VLForConditionalGeneration
parameters: 7.6B
tensor_type:
  - F16
library_name:
  - safetensors
inference_backends:
  - "deploy_task vlm/text/emb"
  - "lmdeploy 0.9.1"
  - "sglang 0.5.2"
  - "vllm 0.9.2"
downloads: 8
stars: 0
---

# Young-R1M-7B

> Young-R1M-7B - jzy112 在 ModelScope 开源的模型。Young-R1M-7B：融合医疗多模态与金融推理的大模型

jzy112/Young-R1M-7B 是 ModelScope 魔搭社区上的 7.6B 参数text-generation模型，可用 deploy_task vlm/text/emb、lmdeploy 0.9.1、sglang 0.5.2 部署。

- **Repository**: jzy112/Young-R1M-7B
- **Tasks**: text-generation
- **Parameters**: 7.6B
- **Inference backends**: deploy_task vlm/text/emb, lmdeploy 0.9.1, sglang 0.5.2, vllm 0.9.2
- **Downloads**: 8
- **Stars**: 0
- **Last updated**: 2025-08-05

Source: https://www.modelscope.cn/models/jzy112/Young-R1M-7B

---

# Young-R1M-7B：融合医疗多模态与金融推理的大模型

## 项目概述

Young-R1M-7B 是一款创新性的融合大模型，将先进的**医疗多模态理解能力**与**金融复杂推理能力**有机结合。本模型基于以下两大核心组件构建：
1. **医疗多模态组件**：基于 `qwen-vl2.5-7B` 模型，使用 LoRA 技术在多模态医疗数据（医学影像+问答对话）上微调
2. **金融推理组件**：基于 `Qwen2.5-7B-Instruct` 模型，通过两阶段训练（SFT + RL）在高质量金融数据集上优化

这种独特融合使 Young-R1M-7B 能够处理医疗金融交叉场景的复杂任务，如医疗保险分析、医疗设备投资决策、生物科技公司估值等。

## 模型架构

### 双专家融合架构
```mermaid
graph LR
A[输入] --> B{领域路由器}
B -->|医疗相关| C[医疗多模态专家]
B -->|金融相关| D[金融推理专家]
C --> E[融合层]
D --> E
E --> F[Young-R1M-7B输出]
```

### 核心技术
- **基础模型**：
  - 医疗分支：`qwen-vl2.5-7B` 视觉语言模型
  - 金融分支：`Qwen2.5-7B-Instruct` 文本推理模型
- **微调方法**：
  - 医疗：LoRA (Low-Rank Adaptation)
  - 金融：SFT + RL (GRPO算法)
- **融合机制**：
  - 动态门控路由：根据输入内容自动分配计算权重
  - 跨领域注意力：实现医学概念与金融指标的联合推理

## 数据集

### 医疗多模态数据
| 数据类型 | 数量 | 处理方式 |
|---------|------|---------|
| CT/MRI/X光影像 | 12K | 尺寸调整+归一化 |
| 病理图像 | 8K | 多尺度特征提取 |
| 多轮医疗对话 | 60K | 医学实体标注 |
| 诊断报告 | 15K | 结构化解析 |

### 金融推理数据
| 数据集 | 样本量 | 应用场景 |
|-------|--------|----------|
| Fin-R1-Data | 60K | 金融代码/计算 |
| ConvFinQA | 7.6K | 多轮对话推理 |
| FinQA | 2.9K | 表格数值推理 |
| FinanceQT | 152 | 量化交易 |

### 交叉训练数据
| 类型 | 示例 |
|------|------|
| 医疗保险 | "分析CT影像中的肿瘤分期对重疾险保费的影响" |
| 医疗投资 | "基于MRI设备技术参数评估采购ROI" |
| 生物估值 | "CAR-T疗法专利对生物科技公司DCF估值的影响" |

## 模型训练

### 三阶段训练流程
```mermaid
graph TD
A[医疗单模态预训练] --> B[金融单模态预训练]
B --> C[交叉领域联合微调]
```

1. **医疗模块训练**：
   - 使用 LoRA 在医学影像+文本对上微调
   - 优化目标：多模态对齐损失 + 诊断准确率

2. **金融模块训练**：
   - 阶段1：SFT 监督微调
   - 阶段2：GRPO 强化学习（格式+准确度双奖励）
   - 创新点：基于 Qwen2.5-Max 的验证器

3. **融合训练**：
   - 固定医疗/金融模块参数
   - 训练动态路由门控网络
   - 优化目标：跨领域一致性 + 任务准确率

## 模型评估

### 单领域性能
| 测试集 | 医疗分支 | 金融分支 |
|--------|---------|---------|
| **医疗QA准确率** | 89.2% | - |
| **FinQA** | - | 76.0 |
| **影像诊断F1** | 92.1% | - |
| **ConvFinQA** | - | 85.0 |
| **多模态理解** | 94.3% | - |

### 交叉领域评估
| 任务类型 | Young-R1M-7B | 单一模型 |
|----------|--------------|----------|
| 医疗保险优化 | 87.4% | 62.1% |
| 医疗设备ROI分析 | 91.2% | 58.3% |
| 生物科技估值 | 84.7% | 53.6% |
| 医药专利投资决策 | 89.5% | 61.8% |

## 使用指南

### 环境配置
```bash
# 基础依赖
pip install transformers torch vllm modelscope
```

### 模型下载
```bash
# 通过ModelScope下载
from modelscope import snapshot_download
model_dir = snapshot_download('jzy112/Young-R1M-7B')
```

### 推理示例
#### 医疗多模态分析
```python
from young_r1m import YoungR1MPipeline

pipeline = YoungR1MPipeline.from_pretrained("jzy112/Young-R1M-7B")

# 多模态输入
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "mri.jpg"},
            {"type": "text", "text": "分析肿瘤位置对手术费用的影响"}
        ]
    }
]

response = pipeline(messages)
print(response)
```

#### 金融推理
```python
from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="EMPTY"
)

response = client.chat.completions.create(
    model="Young-R1M-7B",
    messages=[
        {"role": "user", "content": "计算PET-CT设备采购的NPV：设备价$200万，年收入$80万，维护费$20万/年，折现率8%"}
    ]
)
print(response.choices[0].message.content)
```

## 应用案例

### 案例1：医疗影像+保险分析
**输入**：
- 胸片影像
- 问题："患者肋骨骨折的严重程度评估及对应的意外险理赔方案"

**输出**：
```
[医学分析]
- 右侧第5-7肋骨线性骨折，无移位
- 预计恢复期：6-8周

[保险分析]
1. 意外医疗险：覆盖门诊+住院费用（预估¥15,000）
2. 意外伤残险：根据《人身保险伤残标准》评定为10级伤残
3. 理赔方案：医疗费报销 + 一次性赔付¥50,000

[综合建议]
立即申报意外医疗险，8周后申请伤残鉴定
```

### 案例2：医药投资决策
**输入**：
"某创新药企核心产品Ⅲ期临床试验成功率70%，峰值销售额预测$5亿，研发成本$2亿，折现率12%，计算研发管线的战略价值"

**输出**：
```
[金融建模]
1. 预期收益 = $5亿 × 70% = $3.5亿
2. 现值 = $3.5亿 / (1+12%)^5 = $1.98亿
3. 净现值 = $1.98亿 - $2亿 = -$200万

[风险分析]
- 成功概率敏感性：若提升至75%，NPV转正$500万
- 市场风险：竞品进度加速使峰值销售额下降30%

[战略建议]
暂缓投资，建议签订风险分担协议降低风险
```

## 声明与致谢

### 重要声明
- 医疗输出需由执业医师审核
- 金融建议需由持证分析师验证
- 禁止用于临床诊断或实际投资决策

### 致谢
- 感谢 Qwen 团队提供优秀的基础模型
- 上海财经大学金融大语言模型课题组（SUFE-AIFLM-Lab）提供金融专业知识支持
- 财跃星辰提供技术合作支持
- 医学影像数据贡献机构


## 联系方式
15316881921@163.com